Exploring the power of machine learning in analyzing the gas minimum miscibility pressure in hydrocarbons
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Minimum Miscibility Pressure (MMP) plays a crucial role in subsurface gas injection processes. Hence, the accurate determination and analysis of the effective parameters on MMP are vital for a successful injection project. In this study, different Machine Learning (ML) algorithms are used to identify the most influential parameters on the MMP and develop reliable predictive models. A comprehensive database containing 812 samples (almost all the available experimental data set published from 1961 to 2022) is collected from 66 open literature studies. Six algorithms were employed for feature selection: Sequential Forward Selection (SFS), Sequential Backward Selection (SBS), Sequential Forward Floating Selection (SFFS), Sequential Backward Floating Selection (SBFS), Lasso Regression (LR), and Random Forest Feature Importance (RFFI). These feature selection algorithms were evaluated using a Decision Tree (DT) regressor. The most important features from 42 potential features were x C₅, x C₆, x C₂-C₆, MW C₇⁺, MW Gas, TC, and T, selected using the SBFS method based on the Root Mean Squared Error (RMSE). Using the best-selected features, six predictive models were developed, including LR, DT, Random Forest (RF), Extra Trees (ET), Stacking Regressor (SR), and Voting Regressor (VR). The SR predictive model performed the best with RMSE and R2 values of 18.37 bars and 0.96, respectively, for the testing dataset. The outcomes of this research can be employed for any industrial process involving gas injection into hydrocarbon reservoirs to select the most relevant features in designing the experimental and field trials.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle